Kom igångKom igång gratis

Genetisk hyperparameterjustering med TPOT

Nu ska du genomföra ett enkelt exempel på genetisk hyperparameterjustering. TPOT är ett mycket kraftfullt bibliotek med många funktioner. Du skrapar bara på ytan i den här lektionen, men du uppmanas varmt att utforska det på egen hand.

Detta är ett mycket litet exempel. I verkligheten är TPOT utformat för att köras i många timmar för att hitta den bästa modellen. Du skulle ha en betydligt större populations- och avkomstsstorlek samt hundratals fler generationer för att hitta en bra modell.

Du kommer att skapa estimatorn, anpassa den till träningsdata och sedan poängsätta den på testdata.

I det här exemplet vill vi använda:

  • 3 generationer
  • 4 i populationsstorleken
  • 3 avkommor per generation
  • accuracy för poängsättning

Ett random_state på 2 har angetts för konsekventa resultat.

Den här övningen är en del av kursen

Hyperparameterjustering i Python

Visa kurs

Övningsinstruktioner

  • Tilldela värdena som beskrivs i kontexten till inparametrarna för tpot_clf.
  • Skapa klassificeraren tpot_clf med rätt inparametrar.
  • Anpassa klassificeraren till träningsdata (X_train och y_train finns tillgängliga i din arbetsyta).
  • Använd den anpassade klassificeraren för att poängsätta på testmängden (X_test och y_test finns tillgängliga i din arbetsyta).

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Assign the values outlined to the inputs
number_generations = ____
population_size = ____
offspring_size = ____
scoring_function = ____

# Create the tpot classifier
tpot_clf = TPOTClassifier(generations=____, population_size=____,
                          offspring_size=____, scoring=____,
                          verbosity=2, random_state=2, cv=2)

# Fit the classifier to the training data
____.____(____, ____)

# Score on the test set
print(____.____(____, ____))
Redigera och kör kod